hadoop之大数据生态系统的前世今生

末蓝、 2022-06-09 07:42 228阅读 0赞

# 1. Hadoop是什么 #

1 ） Hadoop 是一个由 Apache 基金会所开发的分布式系统基础架构,是由Lucene--Doug Cutting开创的开源软件，用java书写代码，实现与Google类似的全文搜索功能，它提供了全文检索引擎的架构，包括完整的查询引擎和索引引擎.

2 ）主要解决，海量数据的 存储 和海量数据的 分析计算 问题。

3 ）广义上来说， HADOOP 通常是指一个更广泛的概念—— HADOOP 生态圈

## 2. Hadoop三大发行版本 ##

Hadoop 三大发行版本 : Apache 、 Cloudera 、 Hortonworks

Apache 版本最原始（最基础）的版本，对于入门学习最好。

Cloudera 在大型互联网企业中用的较多。**Cloudera开发的hadoop版本被称为CDH版本（CDH版本号和hadoop版本号不同）**

Hortonworks 文档较好。

1）Cloudera Hadoop的好处

（ 1 ） 2008 年成立的 Cloudera 是最早将 Hadoop 商用的公司，为合作伙伴提供 Hadoop 的商用解决方案，主要是包括支持、咨询服务、培训。

（ 2 ） 2009 年 Hadoop 的创始人 Doug Cutting 也加盟 Cloudera 公司。 Cloudera 产品主要为 CDH ， Cloudera Manager ， Cloudera Support

（ 3 ） **CDH是Cloudera的Hadoop发行版，完全开源，比Apache Hadoop在兼容性，安全性，稳定性上有所增强。**

（ 4 ） **Cloudera Manager是集群的软件分发及管理监控平台，可以在几个小时内部署好一个Hadoop集群，并对集群的节点及服务进行实时监控。Cloudera Support即是对Hadoop的技术支持。**

（ 5 ） Cloudera 的标价为每年每个节点 4000 美元。 Cloudera 开发并贡献了可实时处理大数据的 Impala 项目。

**2）Hortonworks Hadoop**

（1 ） Hortonworks 的主打产品是 Hortonworks Data Platform （ HDP ），也同样是 100% 开源的产品， HDP 除常见的项目外还包括了 Ambari ，一款开源的安装和管理系统。

（ 2 ） HCatalog ，一个元数据管理系统， HCatalog 现已集成到 Facebook 开源的 Hive 中。 Hortonworks 的 Stinger 开创性的极大的优化了 Hive 项目。 Hortonworks 为入门提供了一个非常好的，易于使用的沙盒。

（ 3 ） Hortonworks 开发了很多增强特性并提交至核心主干，这使得 Apache Hadoop 能够在包括 Window Server 和 Windows Azure 在内的 microsoft Windows 平台上本地运行。定价以集群为基础，每 10 个节点每年为 12500 美元。

## 3. Hadoop的优势或特点 ##

**1）高可靠性：因为Hadoop假设计算元素和存储会出现故障，因为它维护多个工作数据副本，在出现故障时可以对失败的节点重新分布处理。**

**2）高扩展性：在集群间分配任务数据，可方便的扩展数以千计的节点。**

**3）高效性：在MapReduce的思想下，Hadoop是并行工作的，以加快任务处理速度。**

**4）高容错性：自动保存多份副本数据，并且能够自动将失败的任务重新分配。**

为什么要用hadoop或者说分布式存储和分布式计算？http://blog.csdn.net/qq\_26442553/article/details/79116295

##  ##

**4. Hadoop** **组成**

1 ） Hadoop HDFS ：一个高可靠、高吞吐量的分布式文件系统。

2 ） Hadoop MapReduce ：一个分布式的离线并行计算框架。

3 ） Hadoop YARN ：作业调度与集群资源管理的框架。

4 ） Hadoop Common ：支持其他模块的工具模块。

###   4.1 HDFS架构 ###

1）NameNode（nn）：存储文件的元数据，如文件名，文件目录结构，文件属性（生成时间、副本数、文件权限），以及每个文件的块列表和块所在的DataNode等。

2）DataNode(dn)：**在本地文件系统存储文件块数据，以及块数据的校验和**

3 ） Secondary NameNode(2nn) ：用来监控 HDFS 状态的辅助后台程序，每隔一段时间获取 HDFS 元数据的快照。

###   4.2 YARN架构概述 ###

1 ） ResourceManager(rm) ：处理客户端请求、启动 / 监控 ApplicationMaster 、监控 NodeManager 、资源分配与调度；

2 ） NodeManager(nm) ：单个节点上的资源管理、处理来自 ResourceManager 的命令、处理来自 ApplicationMaster 的命令；

3 ） ApplicationMaster ：数据切分、为应用程序申请资源，并分配给内部任务、任务监控与容错。

4 ） Container ：对任务运行环境的抽象，封装了 CPU 、内存等多维资源以及环境变量、启动命令等任务运行相关的信息。

###   4.3 MapReduce架构概述 ###

MapReduce 将计算过程分为两个阶段： Map 和 Reduce

1 ） Map 阶段并行处理输入数据

2 ） Reduce 阶段对 Map 结果进行汇总

5.大数据技术生态体系

1 ） Sqoop ： sqoop 是一款开源的工具，主要用于在 Hadoop(Hive) 与传统的数据库 (mysql) 间进行数据的传递，可以将一个关系型数据库（例如 ： MySQL,Oracle 等）中的数据导进到 Hadoop 的 HDFS 中，也可以将 HDFS 的数据导进到关系型数据库中。

2 ） Flume ： Flume 是 Cloudera 提供的一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统， Flume 支持在日志系统中定制各类数据发送方，用于收集数据； Flume 提供对数据进行简单处理，并写到各种数据接受方（可定制）的能力。

3 ） Kafka ： Kafka 是一种高吞吐量的分布式发布订阅消息系统，有如下特性：

（ 1 ）通过 O(1) 的磁盘数据结构提供消息的持久化，这种结构对于即使数以 TB 的消息存储也能够保持长时间的稳定性能。

（ 2 ）高吞吐量：即使是非常普通的硬件 Kafka 也可以支持每秒数百万的消息

（ 3 ）支持通过 Kafka 服务器和消费机集群来分区消息。

（ 4 ）支持 Hadoop 并行数据加载。

4 ） Storm ： Storm 为分布式实时计算提供了一组通用原语，可被用于“流处理”之中，实时处理消息并更新数据库。这是管理队列及工作者集群的另一种方式。 Storm 也可被用于“连续计算”（ continuous computation ），对数据流做连续查询，在计算时就将结果以流的形式输出给用户。

5 ） Spark ： Spark 是当前最流行的开源大数据内存计算框架。可以基于 Hadoop 上存储的大数据进行计算。

6 ） Oozie ： Oozie 是一个管理 Hdoop 作业（ job ）的工作流程调度管理系统。 Oozie 协调作业就是通过时间（频率）和有效数据触发当前的 Oozie 工作流程。

7 ） Hbase ： HBase 是一个分布式的、面向列的开源数据库。 HBase 不同于一般的关系数据库，它是一个适合于非结构化数据存储的数据库。

8 ） Hive ： hive 是基于 Hadoop 的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供简单的 sql 查询功能，可以将 sql 语句转换为 MapReduce 任务进行运行。 其优点是学习成本低，可以通过类 SQL 语句快速实现简单的 MapReduce 统计，不必开发专门的 MapReduce 应用，十分适合数据仓库的统计分析。

10 ） R 语言： R 是用于统计分析、绘图的语言和操作环境。 R 是属于 GNU 系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具。

11 ） Mahout:

Apache Mahout 是个可扩展的机器学习和数据挖掘库，当前 Mahout 支持主要的 4 个用例：

推荐挖掘：搜集用户动作并以此给用户推荐可能喜欢的事物。

聚集：收集文件并进行相关文件分组。

分类：从现有的分类文档中学习，寻找文档中的相似特征，并为无标签的文档进行正确的归类。

频繁项集挖掘：将一组项分组，并识别哪些个别项会经常一起出现。

12 ） ZooKeeper ： Zookeeper 是 Google 的 Chubby 一个开源的实现。它是一个针对大型分布式系统的可靠协调系统，提供的功能包括：配置维护、名字服务、 分布式同步服务等。 ZooKeeper 的目标就是封装好复杂易出错的关键服务，将简单易用的接口和性能高效、功能稳定的系统提供给用户。